一種復(fù)雜噪聲環(huán)境下的機(jī)電系統(tǒng)故障在線監(jiān)測(cè)聲學(xué)處理方法

白興宇，茍宇濤，姜 煜，劉明禹

(杭州電子科技大學(xué) 電子信息學(xué)院，浙江 杭州 310018)

隨著科學(xué)技術(shù)的進(jìn)步，機(jī)械設(shè)備不斷向大型化、高速化、連續(xù)化、集中化和自動(dòng)化的方向發(fā)展，其組成和結(jié)構(gòu)也日益復(fù)雜，不同設(shè)備之間的聯(lián)系也越來越密切，一旦設(shè)備的某個(gè)部分在運(yùn)行過程中出現(xiàn)故障，且故障發(fā)展并積累到一定程度時(shí)，就會(huì)引發(fā)機(jī)械系統(tǒng)重大事故，因此越早發(fā)現(xiàn)故障，越有助于機(jī)械設(shè)備安全可靠運(yùn)行。但是由于機(jī)械設(shè)備早期故障特征較弱，以及實(shí)際運(yùn)行過程中復(fù)雜背景噪聲疊加，使得提取和識(shí)別早期故障信號(hào)變得十分困難[1]。因此，先進(jìn)的微弱信號(hào)檢測(cè)技術(shù)和背景噪聲抑制技術(shù)對(duì)于提高識(shí)別機(jī)械設(shè)備故障的準(zhǔn)確性具有十分重要的作用。

隨著信號(hào)處理、人工智能、模式識(shí)別等技術(shù)的發(fā)展，各種新的融合方法也不斷地被引入到機(jī)電故障監(jiān)測(cè)中。文獻(xiàn)[2]對(duì)背景噪聲的系統(tǒng)進(jìn)行去噪處理，結(jié)合小波去噪提出改進(jìn)的閾值去噪方法。文獻(xiàn)[3]對(duì)譜減法語音增強(qiáng)算法進(jìn)行了改進(jìn)，重點(diǎn)對(duì)聲紋識(shí)別特征參數(shù)進(jìn)行了提取，詳細(xì)分析了高斯混合模型參數(shù)估計(jì)。常見的機(jī)電故障檢測(cè)方法包括經(jīng)驗(yàn)?zāi)B(tài)分解[4-6]、獨(dú)立分量分析[7-9]、小波分析[10-14]等。文獻(xiàn)[15]將峰值檢測(cè)專利技術(shù)在實(shí)際的滾動(dòng)軸承故障診斷中進(jìn)行了應(yīng)用，證明了峰值檢測(cè)技術(shù)在軸承故障診斷中的突出作用。文獻(xiàn)[16]通過對(duì)峰值檢測(cè)技術(shù)的應(yīng)用，發(fā)現(xiàn)機(jī)器小幅不平穩(wěn)運(yùn)轉(zhuǎn)不會(huì)對(duì)診斷結(jié)果產(chǎn)生影響，效果較為突出。在實(shí)際復(fù)雜的操作環(huán)境中，機(jī)電各個(gè)部件以及背景噪聲的影響使得采集真正有用的信號(hào)非常困難，這也導(dǎo)致機(jī)電早期故障不易被發(fā)現(xiàn)[17-18]。

針對(duì)復(fù)雜背景噪聲環(huán)境下的機(jī)電系統(tǒng)故障檢測(cè)問題，本文提出了一種基于聲學(xué)處理的噪聲抑制和故障監(jiān)測(cè)方法。該方法首先通過聲學(xué)傳感器拾取機(jī)電系統(tǒng)運(yùn)行過程的聲紋信號(hào)，再通過背景噪聲抑制技術(shù)去除機(jī)電系統(tǒng)運(yùn)行過程中背景噪聲，結(jié)合峰值檢測(cè)技術(shù)，同時(shí)通過測(cè)量信號(hào)間動(dòng)態(tài)時(shí)間彎曲距離對(duì)信號(hào)分類判型，最終實(shí)現(xiàn)對(duì)復(fù)雜噪聲下的機(jī)電系統(tǒng)故障的在線監(jiān)測(cè)和識(shí)別。該算法將基于動(dòng)態(tài)時(shí)間彎曲算法的聲紋信息匹配技術(shù)與峰值檢測(cè)技術(shù)以及基于數(shù)據(jù)跟蹤的自相關(guān)處理技術(shù)進(jìn)行有機(jī)結(jié)合，有效解決了復(fù)雜噪聲環(huán)境下的機(jī)電系統(tǒng)故障檢測(cè)問題。為驗(yàn)證該算法的有效性，本文采用數(shù)值仿真分析了該算法在低信噪比情況下的噪聲抑制能力、峰值檢測(cè)的應(yīng)用效果以及故障信號(hào)判型效果。

1 復(fù)雜噪聲環(huán)境下機(jī)電系統(tǒng)故障在線監(jiān)測(cè)聲學(xué)處理方法原理

傳統(tǒng)故障檢測(cè)方法僅能發(fā)現(xiàn)和判斷已經(jīng)發(fā)生且較為嚴(yán)重的典型機(jī)電設(shè)備故障，其對(duì)一些隱性故障的預(yù)判能力相對(duì)不足，難以辨別復(fù)雜噪聲環(huán)境下的故障信號(hào)特征頻率及其倍頻?；诖耍疚睦镁哂辛己眯畔⑹叭∧芰Φ穆晫W(xué)傳感器，結(jié)合自相關(guān)噪聲抑制技術(shù)、峰值檢測(cè)技術(shù)以及聲紋信號(hào)匹配比對(duì)技術(shù)，通過對(duì)機(jī)電系統(tǒng)運(yùn)行狀態(tài)下產(chǎn)生的聲紋信號(hào)采集、跟蹤和背景噪聲抑制，實(shí)現(xiàn)了對(duì)機(jī)電設(shè)備故障的在線監(jiān)測(cè)。本文設(shè)計(jì)的一種復(fù)雜噪聲環(huán)境下的機(jī)電系統(tǒng)故障在線監(jiān)測(cè)聲學(xué)處理方法總體原理框圖如圖1所示。

圖1 復(fù)雜噪聲環(huán)境下的機(jī)電系統(tǒng)故障聲學(xué)處理方法總體原理框圖Figure 1. Schematic diagram of acoustic treatment method for mechanical and electrical system faults incomplex noise environment

1.1 復(fù)雜背景干擾噪聲抑制

在工程實(shí)踐中，機(jī)電設(shè)備運(yùn)行狀態(tài)的信號(hào)包含有用的特征信號(hào)與背景干擾噪聲信號(hào)。在故障早期，真正的有效信號(hào)較為微弱，容易淹沒在復(fù)雜的強(qiáng)背景干擾噪聲中。為了能較好地提取到有用的聲學(xué)信號(hào)，首先需要對(duì)背景干擾噪聲進(jìn)行抑制，使提取到的機(jī)電設(shè)備運(yùn)行狀態(tài)聲學(xué)信號(hào)能夠最大程度地表征機(jī)電設(shè)備運(yùn)行狀態(tài)的特征信息。自相關(guān)濾波技術(shù)進(jìn)行噪聲抑制效果較好，該方法可在輸入信號(hào)與噪聲的統(tǒng)計(jì)特性未知或變化的情況下，自動(dòng)估計(jì)出所需的統(tǒng)計(jì)特性，并以此為依據(jù)自動(dòng)調(diào)整參數(shù)，以達(dá)到最佳的降噪效果。

自相關(guān)函數(shù)描述的是同一信號(hào)在不同時(shí)刻的相互依賴關(guān)系，其定義如式(1)所示。

(1)

在實(shí)際生活中背景噪聲多種多樣，主要包括帶通噪聲、沖擊噪聲和白噪聲。白噪聲在現(xiàn)實(shí)中十分常見，其既是時(shí)域上的隨機(jī)信號(hào)也是頻域上的隨機(jī)信號(hào)。標(biāo)準(zhǔn)的白噪聲應(yīng)該是方差恒定不變的數(shù)值，均值為0，即E[x(n)]=0，E[x(n)2]=б2。

機(jī)電系統(tǒng)正常運(yùn)行過程產(chǎn)生的目標(biāo)信號(hào)具有較強(qiáng)的相關(guān)性，復(fù)雜的背景噪聲相關(guān)性較弱，而自相關(guān)處理方法實(shí)際上是根據(jù)信號(hào)的相關(guān)詳細(xì)程度濾除信號(hào)里不相關(guān)的部分，因此自相關(guān)處理技術(shù)可濾除機(jī)電系統(tǒng)正常運(yùn)行狀態(tài)下的背景噪聲信號(hào)，適用于機(jī)電系統(tǒng)運(yùn)行過程的背景噪聲抑制。正弦信號(hào)或者其他確定性信號(hào)在所有的時(shí)間位移上都有自相關(guān)函數(shù)，本文采取特定頻率的正弦信號(hào)和白噪聲信號(hào)來模擬實(shí)際運(yùn)行過程中的正常信號(hào)和噪聲信號(hào)。運(yùn)用自相關(guān)處理技術(shù)降噪后，噪聲信號(hào)的自相關(guān)函數(shù)隨τ的增大趨于零，使得信噪比提升，故此方法具有顯著的降噪效果。

1.2 機(jī)電系統(tǒng)運(yùn)行狀態(tài)聲紋信號(hào)的峰值檢測(cè)

峰值檢測(cè)技術(shù)作為一項(xiàng)由國外發(fā)展而來的振動(dòng)信號(hào)分析技術(shù)，是一種在某時(shí)間間隔內(nèi)對(duì)信號(hào)時(shí)域波形峰值進(jìn)行捕捉的信號(hào)處理與檢測(cè)方法。當(dāng)機(jī)電系統(tǒng)中的金屬發(fā)生相互碰撞時(shí)，會(huì)產(chǎn)生一種應(yīng)力波，而峰值檢測(cè)則可以采集和檢測(cè)這些短暫出現(xiàn)的應(yīng)力波，通過對(duì)其峰值以及出現(xiàn)頻率的提取，轉(zhuǎn)換成頻譜進(jìn)行故障分析?；诜逯禉z測(cè)技術(shù)的機(jī)電故障檢測(cè)實(shí)現(xiàn)原理如圖2所示。

圖2 基于峰值檢測(cè)技術(shù)的故障診斷原理圖Figure 2. The fault diagnosis schematic diagram based on PeakVue technology

由圖2可以看出通過傳感器采集及高通濾波器進(jìn)行濾波后，方可得到峰值檢測(cè)方法分析的目標(biāo)信號(hào)。高通濾波器主要是為了使信號(hào)集中于沖擊信號(hào)所在頻段、分離沖擊信號(hào)和普通振動(dòng)信號(hào)，此分析方法的核心就在于峰值。一般情況下，頻率帶寬決定所選時(shí)間間隔，峰值就在原始振動(dòng)信號(hào)中選定某一時(shí)間間隔中出現(xiàn)。峰值檢測(cè)技術(shù)就是通過提取某時(shí)間間隔的峰值，再進(jìn)行包絡(luò)檢波以及傅里葉變換，最終實(shí)現(xiàn)對(duì)振動(dòng)信號(hào)的故障分析。

由于工作過程中實(shí)際操作以及環(huán)境的復(fù)雜性，峰值檢測(cè)技術(shù)的實(shí)際應(yīng)用情況并不理想，復(fù)雜環(huán)境下包含太多的噪聲，使得目標(biāo)信息很難在眾多的峰值中被分辨出來。在過多干擾噪聲的影響下，無法有效應(yīng)用峰值檢測(cè)技術(shù)。因此，本文將峰值檢測(cè)技術(shù)與復(fù)雜噪聲下背景干擾噪聲抑制技術(shù)相結(jié)合，當(dāng)在實(shí)際的復(fù)雜背景下工作時(shí)，先用背景噪聲抑制技術(shù)濾除大量復(fù)雜噪聲，再用峰值檢測(cè)技術(shù)提取目標(biāo)信號(hào)的峰值，這一過程使得噪聲信號(hào)被更大程度濾除，可提取到更有利用價(jià)值及參考性的峰值。綜上所述，復(fù)雜噪聲環(huán)境下的機(jī)電系統(tǒng)故障聲學(xué)處理方法具體原理流程圖如圖3所示。

圖3 復(fù)雜噪聲環(huán)境下的機(jī)電系統(tǒng)故障聲學(xué)處理方法原理流程圖Figure 3. Schematic diagram of acoustic treatment method for mechanical and electrical system faults in complex noise environment

由圖3可以看出該方法主要基于聲學(xué)信號(hào)拾取和處理，通過背景噪聲抑制和峰值檢測(cè)后建立正常狀態(tài)聲紋庫和故障狀態(tài)聲紋庫，再通過聲紋匹配對(duì)比技術(shù)實(shí)現(xiàn)對(duì)信號(hào)的分類判型，進(jìn)而實(shí)現(xiàn)對(duì)機(jī)電系統(tǒng)運(yùn)行狀態(tài)和隱形故障的有效監(jiān)測(cè)和判型。此算法可以有效地解決降噪后的信號(hào)處理問題及峰值檢測(cè)技術(shù)在復(fù)雜背景噪聲環(huán)境下的實(shí)際適用問題，在復(fù)雜噪聲情況下也能檢測(cè)出機(jī)電早期故障，并且能夠準(zhǔn)確預(yù)測(cè)出嚴(yán)重程度，提高了信號(hào)的利用率。

2 復(fù)雜噪聲環(huán)境下機(jī)電系統(tǒng)故障在線監(jiān)測(cè)聲學(xué)處理方法實(shí)現(xiàn)

2.1 峰值檢測(cè)技術(shù)的應(yīng)用

峰值檢測(cè)技術(shù)主要基于希爾伯特變換法來實(shí)現(xiàn)。希爾伯特變換對(duì)分析信號(hào)的瞬時(shí)幅度和頻率和對(duì)信號(hào)包絡(luò)的快速提取有較好的效果，因此本文采用希爾伯特變換實(shí)現(xiàn)峰值檢測(cè)。根據(jù)希爾伯特的物理意義可知，當(dāng)包絡(luò)信號(hào)經(jīng)過希爾伯特變換后，其峰值剛好與變換后的信號(hào)正向過零點(diǎn)相對(duì)應(yīng)，因此可將包絡(luò)信號(hào)峰值檢測(cè)轉(zhuǎn)換為正向過零點(diǎn)檢測(cè)，包絡(luò)信號(hào)的峰值改變并不會(huì)影響信號(hào)正向過零點(diǎn)檢測(cè)，并且不需要設(shè)置任何幅度閾值。實(shí)信號(hào)x(t)的希爾伯特變換的定義為

(2)

式中，“*”表示卷積運(yùn)算符。根據(jù)上式可知，信號(hào)x(t)的希爾伯特變換實(shí)際上是信號(hào)的卷積。希爾伯特變換的頻率定義為如下

(3)

式中，x(f)是信號(hào)x(t)的傅里葉變換；j是虛數(shù)單位。由上述兩式可知，信號(hào)x(t)的希爾伯特變換為

(4)

式中，IFT表示傅里葉逆變換。結(jié)合上式可發(fā)現(xiàn)，對(duì)于實(shí)信號(hào)的峰值檢測(cè)可以借助希爾伯特變換運(yùn)用傅里葉變換進(jìn)行快速計(jì)算。

在此思想上，本文運(yùn)用希爾伯特變換實(shí)現(xiàn)峰值檢測(cè)技術(shù)在識(shí)別故障信號(hào)上的應(yīng)用，建立正常狀態(tài)聲紋庫，為聲紋信號(hào)的匹配識(shí)別準(zhǔn)備條件。

2.2 機(jī)電設(shè)備運(yùn)行狀態(tài)聲紋信號(hào)的匹配比對(duì)

本文中聲紋信號(hào)匹配技術(shù)以動(dòng)態(tài)時(shí)間彎曲算法為基礎(chǔ)。動(dòng)態(tài)時(shí)間彎曲算法基于動(dòng)態(tài)規(guī)劃思想，是一種計(jì)算時(shí)間序列數(shù)據(jù)之間相似度的算法。該算法可以通過對(duì)時(shí)間序列時(shí)間點(diǎn)的彎曲，使得兩條時(shí)間序列中的波峰、波谷準(zhǔn)確匹配。動(dòng)態(tài)時(shí)間彎曲算法還具備很多歐氏距離不存在的優(yōu)勢(shì)，其可以對(duì)長(zhǎng)度不等的時(shí)間序列進(jìn)行距離度量。動(dòng)態(tài)時(shí)間彎曲不需要滿足三角不等式約束條件，可以根據(jù)時(shí)間序列數(shù)據(jù)特點(diǎn)進(jìn)行異步匹配，且其對(duì)于時(shí)間序列數(shù)據(jù)的異常點(diǎn)和噪聲等缺點(diǎn)有良好的適應(yīng)性。

機(jī)電設(shè)備聲紋信號(hào)的監(jiān)測(cè)識(shí)別是通過比較機(jī)電設(shè)備當(dāng)前運(yùn)行狀態(tài)與過去運(yùn)行狀態(tài)之間的差異來實(shí)現(xiàn)的?；诖?，對(duì)聲學(xué)傳感器采集到的正常聲學(xué)信號(hào)進(jìn)行寬帶背景干擾噪聲抑制和峰值檢測(cè)，并建立正常狀態(tài)聲紋庫。以此作為參考，采用動(dòng)態(tài)時(shí)間彎曲算法分別測(cè)量目標(biāo)檢測(cè)聲紋信號(hào)和正常聲紋信號(hào)與正常狀態(tài)聲紋庫的匹配距離，并對(duì)其相似度進(jìn)行比較，實(shí)現(xiàn)對(duì)檢測(cè)信號(hào)的分類識(shí)別。本文設(shè)計(jì)的匹配比對(duì)算法原理框圖如圖4所示。

圖4 機(jī)電設(shè)備運(yùn)行狀態(tài)聲紋信號(hào)的匹配比對(duì)原理圖Figure 4. Schematic diagram of voiceprint signal matching and comparison in operation state of electromechanical equipment

由圖4可以看出，該算法可通過計(jì)算正常聲紋信號(hào)與正常狀態(tài)聲紋庫的匹配距離序列D和目標(biāo)檢測(cè)信號(hào)與正常狀態(tài)聲紋庫的匹配距離序列S，從而求得匹配距離均值d和s。若s>d，則說明兩個(gè)信號(hào)相似度低，則將目標(biāo)檢測(cè)信號(hào)判定為故障信號(hào)；若s≤d，則說明兩個(gè)信號(hào)相似度高，則判定為正常信號(hào)。

3 數(shù)值仿真

機(jī)電系統(tǒng)設(shè)備運(yùn)行一旦出現(xiàn)故障，便伴隨著巨大的經(jīng)濟(jì)損失與災(zāi)難，且事故一旦發(fā)生，便沒有分析其信號(hào)的必要，故實(shí)際操作中可被采集到的故障樣本數(shù)據(jù)較少。為了驗(yàn)證算法性能，本文利用MATLAB進(jìn)行了仿真。機(jī)電設(shè)備運(yùn)行狀態(tài)聲紋信號(hào)的數(shù)學(xué)模型可用多個(gè)頻率、幅值不同的正弦波復(fù)合而成。仿真中用正弦波信號(hào)模擬機(jī)電系統(tǒng)正常運(yùn)行狀態(tài)下的聲紋信號(hào)，模擬復(fù)雜干擾為高斯白噪聲及一些正弦信號(hào)。本文設(shè)置采樣頻率為4 096 Hz，采樣點(diǎn)數(shù)為2 048，為驗(yàn)證自相關(guān)處理方法在不同噪聲環(huán)境下的降噪效果，本文設(shè)置不同的信噪比環(huán)境進(jìn)行對(duì)比，并使用該方法對(duì)不同的含噪信號(hào)進(jìn)行降噪處理。所獲得的仿真結(jié)果如圖5～圖7所示。

圖5 含噪信號(hào)1降噪時(shí)域波形圖Figure 5. Noise signal 1 denoising time domain waveform

圖6 含噪信號(hào)2降噪時(shí)域波形圖Figure 6. Noise signal 2 denoising time domain waveform

圖7 含噪信號(hào)3降噪時(shí)域波形圖Figure 7. Noise signal 3 denoising time domain waveform

由圖5～圖7可以看出信號(hào)經(jīng)自相關(guān)去噪方法之后，干擾噪聲可被有效抑制，處理后的信號(hào)時(shí)域波形特征更為簡(jiǎn)潔清晰。降噪前信號(hào)的信噪比分別為0.802 6 dB、-2.230 2 dB、2.673 1 dB，降噪后聲紋信號(hào)的信噪比分別為8.1 806 dB、3.664 2 dB、6.323 3 dB，由此可以看出針對(duì)不同的噪聲環(huán)境，該方法抑制干擾噪聲均有良好的作用效果。綜上分析，該方法對(duì)復(fù)雜噪聲情況下的抑制效果較為明顯，證明本方法對(duì)干擾噪聲的抑制效果較好且抗干擾能力較強(qiáng)，具有良好的可靠性。

對(duì)于機(jī)電設(shè)備運(yùn)行狀態(tài)的檢測(cè)，本文結(jié)合峰值檢測(cè)技術(shù)對(duì)信號(hào)進(jìn)行提取。在實(shí)際情況下高通濾波器截止頻率選擇1 000 Hz或2 000 Hz。為便于觀察，本次仿真假設(shè)高通濾波器截止頻率設(shè)為1 000 Hz，頻帶寬度設(shè)為10 Hz，采樣時(shí)間間隔即為39 ms，并用正弦信號(hào)模擬高通濾波器分離出的高頻信號(hào)和應(yīng)力波信號(hào)。本文給出了含噪信號(hào)1及其降噪后的峰值檢測(cè)時(shí)域波形圖，仿真圖如圖8和圖9所示。

圖8 含噪信號(hào)1峰值檢測(cè)時(shí)域波形圖Figure 8. Peak detection time domain waveform of noise signal 1

圖9 含噪信號(hào)1降噪后峰值檢測(cè)時(shí)域波形圖Figure 9. Noise signal 1 time domain waveform of peak detection after denoising

通過圖8和圖9的仿真圖可以看出峰值檢測(cè)仍能精準(zhǔn)提取幅值頻率較低的峰值，說明峰值檢測(cè)技術(shù)對(duì)于一些微弱的峰值信號(hào)靈敏度較高，因此可結(jié)合背景噪聲抑制技術(shù)精準(zhǔn)提取早期故障信號(hào)，具有實(shí)踐意義。

對(duì)于機(jī)電設(shè)備運(yùn)行狀態(tài)聲紋信號(hào)的匹配識(shí)別，本文采用動(dòng)態(tài)時(shí)間彎曲距離來度量樣本之間的相似性。通過比較聲紋信號(hào)的動(dòng)態(tài)時(shí)間彎曲距離均值來區(qū)分正常信號(hào)與故障信號(hào)。本次仿真將模擬聲紋信號(hào)平均分為了30等份，每份信號(hào)的長(zhǎng)度為400，每種聲紋信號(hào)模擬了30個(gè)樣本，其中，“*”型曲線表示正常聲紋信號(hào)與參考信號(hào)之間的動(dòng)態(tài)時(shí)間彎曲距離，菱形曲線表示故障聲紋信號(hào)1與參考信號(hào)之間的動(dòng)態(tài)時(shí)間彎曲距離，“×”型曲線表示故障聲紋信號(hào)2與參考信號(hào)之間的動(dòng)態(tài)時(shí)間彎曲距離，仿真結(jié)果如圖10所示。

圖10 機(jī)電設(shè)備運(yùn)行狀態(tài)不同聲紋信號(hào)動(dòng)態(tài)時(shí)間彎度距離Figure 10. Dynamic time curvature distance of different voice print signals of mechanical and electrical equipment in operation state

動(dòng)態(tài)時(shí)間彎曲距離是對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行處理，故對(duì)其無單位要求。由圖10可以看出，經(jīng)測(cè)得正常聲紋信號(hào)的動(dòng)態(tài)時(shí)間彎曲均值為51.788，故障聲紋信號(hào)1的動(dòng)態(tài)時(shí)間彎曲均值為91.552，故障聲紋信號(hào)2的動(dòng)態(tài)時(shí)間彎曲均值為119.318。由不同信號(hào)間的均值差異可以看出，依據(jù)動(dòng)態(tài)時(shí)間彎曲計(jì)算匹配距離并比較均值的方法可將正常聲紋信號(hào)與故障聲紋信號(hào)明顯區(qū)分開，并且對(duì)不同故障聲紋信號(hào)的區(qū)分效果也較為明顯。

均方根值、絕對(duì)值平均值表征信號(hào)的能量，可反映出信號(hào)的有效值。為了進(jìn)一步說明本文整體算法處理信號(hào)的性能，本文在不同信噪比環(huán)境下，采用上文所提的降噪、峰值檢測(cè)以及信號(hào)匹配等方法對(duì)過程處理前后的信號(hào)絕對(duì)值平均值、均方根值進(jìn)行比較。在保證相同的背景環(huán)境下，處理前后信號(hào)對(duì)比曲線如圖11和圖12所示。

通過圖11和圖12的仿真圖可以看出，處理前后信號(hào)絕對(duì)值平均值、均方根值都隨著信噪比增加而降低且處理后信號(hào)值較低，說明處理后信號(hào)對(duì)有效信號(hào)的提取率更高。處理前信號(hào)在SNR=-13 dB環(huán)境下的絕對(duì)值平均值、均方根值分別為4.896 2、6.168 5，處理后數(shù)值為1.864 6、2.873 4；在SNR=-8 dB環(huán)境下處理前絕對(duì)值平均值、均方根值分別為2.910 7、3.634 7，處理后為1.222 8、1.550 1，說明在不同的信噪比環(huán)境下，該算法都具備較好的信號(hào)處理能力，即使在低信噪比下即復(fù)雜噪聲環(huán)境的情況下，該方法的處理效果也比較明顯。

圖11 處理前后信號(hào)絕對(duì)值平均值對(duì)比Figure 11. Comparison of the mean absolute value of signal before and after processing

圖12 處理前后信號(hào)均方根值對(duì)比Figure 12. Comparison of root mean square values before and after processing

綜合仿真結(jié)果及分析，表明本文所提復(fù)雜噪聲環(huán)境下機(jī)電系統(tǒng)故障監(jiān)測(cè)的聲學(xué)處理方法有較好的抗干擾能力，在信噪比低的環(huán)境下對(duì)有效信號(hào)的提取和檢測(cè)效果性能良好，具有較好的可靠性，適用于復(fù)雜噪聲環(huán)境下對(duì)信號(hào)的處理。

4 結(jié)束語

本文針對(duì)傳統(tǒng)故障分析的局限性，提出了一種復(fù)雜噪聲環(huán)境下機(jī)電系統(tǒng)故障在線監(jiān)測(cè)的聲學(xué)處理方法。該方法基于聲學(xué)信號(hào)拾取和處理，通過對(duì)機(jī)電設(shè)備正常運(yùn)行狀態(tài)下的聲學(xué)信號(hào)進(jìn)行拾取、數(shù)據(jù)跟蹤、基于自相關(guān)處理的背景噪聲抑制和峰值檢測(cè)技術(shù)建立聲紋庫；然后通過聲紋信號(hào)的匹配比對(duì)技術(shù)，實(shí)現(xiàn)故障信號(hào)的識(shí)別和分類，進(jìn)而實(shí)現(xiàn)在復(fù)雜背景噪聲環(huán)境下對(duì)機(jī)電系統(tǒng)故障的在線監(jiān)測(cè)和有效判型。通過仿真實(shí)驗(yàn)證明，該方法有較強(qiáng)的抗干擾能力，可提高信號(hào)的利用率，有效降低誤檢率，使得檢測(cè)結(jié)果更加準(zhǔn)確。